Université de Rennes Apprentissage par renforcement profond multi-agents pour l'allocation et la planification des ressources en 6G Multi-agent deep reinforcement learning for resource allocation and scheduling in 6G Apprentissage par renforcementorchestration distribuée des ressources6Gmulti-domainesconsommation énergétique Reinforcement learningdistributed resource orchestration6Gmulti-domainenergy efficiency Apprentissage par renforcement (intelligence artificielle) 6G (téléphonie mobile) Consommation d'énergie Cette thèse propose des approches avancées pour la gestion des ressources dans les réseaux 6G, en utilisant l’apprentissage par renforcement multi-agents. Face à la diversité des exigences de qualité de service (QoS) et à la complexité des environnements multi-domaines et multi-acteurs, une solution distribuée et optimisée est cruciale. Premièrement, un algorithme de placement multi-agents pour les fonctions réseau virtualisées (VNF) a été développé, optimisant la répartition des ressources à travers des domaines distincts tout en assurant une coordination efficace entre les agents. Deuxièmement, un algorithme innovant de scaling multi-domaines a été conçu, intégrant des prévisions de trafic et des mécanismes d’échange inter-domaines pour garantir une allocation dynamique et adaptée des ressources. Enfin, une solution globale prenant en compte le placement et le scaling a été proposée, mettant l’accent sur la réduction de la consommation énergétique dans un contexte distribué et multi-acteurs. Ces contributions ont été validées à travers une plateforme de simulation flexible et légère développée avec OMNeT++. Les résultats obtenus influencent directement les standards des réseaux 6G et ouvrent la voie à des innovations brevetables dans la gestion des ressources. This thesis introduces advanced approaches for resource management in 6G networks using multi-agent reinforcement learning. Addressing the diverse QoS requirements and the complexity of multi-domain, multi-stakeholder environments, a distributed and optimized solution is essential. First, a multi-agent VNF placement algorithm was developed, optimizing resource allocation across distinct domains while ensuring effective coordination between agents. Second, an innovative multi-domain scaling algorithm was designed, integrating traffic forecasting and inter-domain communication mechanisms to ensure dynamic and adaptive resource allocation. Finally, a comprehensive placement-scaling solution was proposed, focusing on minimizing energy consumption in a distributed and multi-stakeholder context. These contributions were validated through a lightweight and flexible OMNeT++ simulation platform. The results directly influence 6G network standards and pave the way for patentable innovations in resource management. Electronic Thesis or DissertationText en application/pdf1 : 7551 Kohttps://ged.univ-rennes1.fr/nuxeo/site/esupversions/9f96a7bb-c7da-4256-bdb2-a1e0e9856aa9 Bouroudi Abdelmounaim 1995-03-18 XX 293676216 abdelmounaim.bouroudi@gmail.com 2025URENS066 http://www.theses.fr/2025URENS066 2025-11-26 Informatique Université de Rennesthesis.degree.grantor_1 26693823X Rennesthesis.degree.grantor_2 Doctorat non ouiHadjadj AoulYassineintervenant_1128706333RubinoGerardointervenant_2063461196RenaultÉricintervenant_3034296565Piamrat‎Kandarajintervenant_4148314856LangarRamiintervenant_5115680128OuttagartsAbdelkaderintervenant_6195241258SecciStefanointervenant_717155101XSingh‎Kamal Deepintervenant_8110412133 MATISSEecoleDoctorale_1 267602553 INRIA-RENNES partenaireRecherche_1 133175863 ddc:004 Hadjadj AoulYassineRubinoGerardoRenaultÉricPiamrat‎KandarajLangarRamiOuttagartsAbdelkaderSecciStefanoSingh‎Kamal DeepUniversité de RennesRennesMATISSE INRIA-RENNES ASCII PDF 7732195